Geri Dön

Makine öğrenme algoritmaları kullanılarak lazer verilerinden ağaç türlerinin sınıflandırılması olanaklarının araştırılması

Investigation of tree species classification possibilities from laser data using machine learning algorithms

PDF İndir

  1. Tez No: 747602
  2. Yazar: ZEHRA ÇETİN
  3. Danışmanlar: PROF. DR. NACİ YASTIKLI
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 216

Özet

Kentsel çevrenin en önemli bileşenlerinden biri yeşil alanlardır ve yeşil alanların en baskın elemanı olan ağaçlar kent ekolojisinde önemli bir yere sahiptir. Ağaç türleri hakkında detaylı ve doğru bilgi, afet yönetimi, şehir planlaması, çevre koruma veya kentsel kalkınma politikası üretimi gibi çalışmalar için yerel yönetimler açısından büyük önem taşımaktadır. Bu çalışmanın amacı, makine öğrenme algoritmaları ile kentsel çalışma alanı olarak seçilen Yıldız Teknik Üniversitesi, Davutpaşa Kampüsü'ne ait 3B ham LiDAR nokta bulutu verileri kullanılarak geniş ve iğne yapraklı ağaç türlerinin nokta tabanlı yöntemlerle sınıflandırılması olanaklarının araştırılmasıdır. İlk olarak ham LiDAR verisinden hiyerarşik kural tabanlı sınıflandırma yaklaşımı ile belirlenen Test alanı 1 ve Test alanı 2'de yüksek bitki örtüsü sınıfı elde edilmiştir. Bireysel ağaç taçlarının elde edilmesi için üç farklı kümeleme algoritması (“MeanShift”,“K-means”ve“Density-Based Spatial Clustering of Applications with Noise - DBSCAN”) kullanılarak nokta tabanlı segmentasyon gerçekleştirilmiştir. Geometri ve yoğunluk (intensity) tabanlı özelliklerden oluşan iki farklı sınıflandırma özellik seti (8 ve 25 adet) kullanılarak Destek Vektör Makineleri (DVM), Rastgele Orman (RO) ve Çok Katmanlı Algılayıcı (ÇKA) algoritmaları ile ağaç tacı segmentleri geniş ve iğne yapraklı ağaç türleri olarak sınıflandırılmıştır. Test alanı 1'de 70-30 bölümlemede (eğitim-test) gerçekleştirilen makine öğrenme tabanlı DVM, RO ve ÇKA için genel sınıflandırma doğrulukları sırasıyla 8 özellik kullanılarak %76.25, %80.00 ve %67.50; 25 özellik kullanılarak %80, %83.75 ve %73.75 olarak elde edilmiştir. Test alanı 2'de aynı 70-30 bölümlemede DVM, RO ve ÇKA için sınıflandırma doğrulukları sırasıyla 8 özellik kullanılarak %71.70, %69.81 ve %72.33; 25 özellik kullanılarak %72.33, %72.33 ve %46.54 olarak belirlenmiştir. Sınıflandırma doğruluklarına göre, kentsel çalışma alanında genel olarak ağaç türlerinin sınıflandırılması için DVM ve RO sınıflandırıcılarının ÇKA'ya göre daha başarılı oldukları görülmüştür. Kentsel ağaç türlerinin sınıflandırılmasının ardından RO ile ortalama Gini'deki azalmaya (Mean Decrease in Gini - MDG) göre sınıflandırmada kullanılan özellikler analiz edilmiş ve geometri tabanlı özelliklerin yoğunluk tabanlı özelliklerden önemli olduğu görülmüştür.

Özet (Çeviri)

One of the most important components of the urban environment is the green areas and, the trees, which are most dominant element of urban environment, have an important place in urban ecology. Detailed and accurate information about tree species is of great importance for all local governments for many studies such as disaster management, city planning, environmental protection or production of urban development policy. The aim of this study is to investigate the possibilities for deciduous and coniferous tree species classification with machine learning algorithms in the study area by point-based methods from 3D raw LiDAR point cloud data of Davutpaşa Campus of Yıldız Technical University, which was chosen as the urban study area. First, high vegetation class was obtained from raw LiDAR data in Test area 1 and Test area 2 using the hierarchical rule-based classification approach. To obtain individual tree crowns, point-based segmentation was performed using three different clustering algorithms (MeanShift, K-means, Density-Based Spatial Clustering of Applications with Noise - DBSCAN). Tree crown segments were classified into deciduous and coniferous tree species in urban area with Support Vector Machines (SVM), Random Forest (RF), and Multi-Layer Perceptron (MLP) algorithms by using two different classification feature sets (8 and 25 features) consisting spatial- and intensity-based features. The overall classification accuracies for machine learning-based SVM, RF, and MLP algorithms performed in 70-30 partitioning (training-test) in Test area 1 were obtained as 76.25%, 80.00%, and 67.50% respectively using 8 features, and obtained as 80%, 83.75%, and 73.75% respectively using 25 features. In the same 70-30 partitioning in Test area 2, the classification accuracies for the SVM, RF, and MLP algorithms were obtained as 71.70%, 69.81%, and 72.33% respectively using 8 features, and obtained as 72.33%, 72.33%, and 46.54% using 25 features. According to the classification accuracies, it has been observed that SVM and RF classifiers are more successful in the urban study area than the MLP classifier in general for the classification of tree species. After the classification of urban tree species, the features used in the classification were analyzed according to the Mean Decrease in Gini (MDG) in RF, and it was seen that the spatial-based features were important than the intensity-based features.

Benzer Tezler

  1. Tez No

    671775

    A decision support system on packaging planning using machine learning algorithms: Industrial case study

    Paketleme planlaması için makine öğrenmesi algoritmaları kullanarak bir karar destek sistemi: Bir yan sanayi uygulaması

    BEGÜM ŞENER

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAN ÇEBİ

  2. Tez No

    637657

    Short term load forecasting by using artificial neural networks

    Yapay sinir ağları kullanılarak kısa dönemli yük tahmini

    ALI GHADIRIASL NOBARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  3. Tez No

    636978

    Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti

    An application of machine learning to anomaly detection in insurance industry using strategic management approach

    AYŞE NURBANU ŞAHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    DOÇ. TOLGA KAYA

  4. Tez No

    612445

    DSSAT bitki simülasyon modeli ve uzaktan algılama verilerinden elde edilen indisler kullanılarak buğday verim tahmini: İslahiye ve Nurdağı örneği

    Wheat yield estimation using DSSAT crop simulation model and indices obtained from remote sensing: Islahiye and Nurdagi case

    ÖMER VANLI

    Doktora

    Türkçe

    Türkçe

    2019

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. BURAK BERK ÜSTÜNDAĞ

  5. Tez No

    897218

    Evrişimsel sinir ağları ve çekirge optimizasyon algoritması kullanarak kolon kanser hastalığı tesbiti

    Colon cancer disease diagnose with convolutional neural network and grasshopper optimization algorithm

    AMNA ALI A MOHAMED

    Doktora

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriKastamonu Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBABA HANÇERLİOĞULLARI

Geri Dön